跳到正文
11月11日周三
  1. arXiv · 机器人与计算机视觉35

    AptM-GCD 通过属性证据学习与多模态提示实现广义类别发现

    AptM-GCD 提出属性证据学习机制,将属性视为局部视觉证据而非全局描述符,结合多模态提示推理提升细粒度与通用基准表现。该方法在六个数据集上达到最先进水平,且在单模态及类别不平衡设置下展现强泛化能力。论文已提交至 TPAMI,arXiv 版本为 v1,代码与数据许可状态待定。

  2. arXiv · 机器人与计算机视觉18

    历史脚本分类评估协议:手稿级数据泄露的成本与软标签作用

    研究在 VML-HP-ext 数据集上发现,测试时若使用训练手稿的其他页面会导致准确率虚高,从页级 97% 骤降至手稿级 54%,且模型置信度严重过拟合。针对此问题,论文提出评估协议建议并验证了软标签能显著降低与专家评估的偏差,相关代码将随论文发布。

  3. arXiv · 机器人与计算机视觉82

    Maze Runner:基于线特征定位与控制屏障函数的自主迷宫导航

    Maze Runner 是一个开源的自主导航栈,旨在解决稀疏重复几何下的定位、狭窄走廊规划及估计或地图错误时的安全控制问题。该栈在 Gazebo 仿真环境中驱动 Husarion ROSbot XL(配备 2D LiDAR),通过 RANSAC 和总体最小二乘法从扫描中提取带不确定性的墙体线,并分别用于基于地图的扩展卡尔曼滤波定位和在线构建地图的 EKF SLAM。

    推荐理由:该工作提出了基于线特征定位与控制屏障函数的自主迷宫导航栈,在仿真中实现了厘米级定位与实时规划控制。

  4. arXiv · 机器人与计算机视觉48

    OKS-mAP 评估协议存在盲区:提出统一遮挡、关节角与时间稳定性评测方案

    针对 OKS-mAP 无法区分可见/遮挡关键点及忽略关节角误差的盲区,研究者在 COCO、CrowdPose 等四数据集上验证了新协议。实验显示聚合 mAP 高估遮挡场景性能(Delta_occ 为负),且 OneEuro 平滑可将跳变率降低 9-10%。该开源工具包补充而非替代现有指标,代码与权重已开放许可。

  5. Hugging Face Daily Papers75

    ExRL:通过执行长度控制实现长片段策略的样本高效在线自适应

    论文 ExRL 指出利用现有强化学习方法适配高维度的长动作片段策略往往需要大量在线交互数据,难以在实际机器人场景中应用。作者提出将适应过程从优化动作本身转向优化每个预测动作片段的执行时长,从而在保持低维度优化空间的同时提升表达力。该方法通过轻量级适配器结合离线强化学习算法训练,在仿真基准和真实机器人任务中实现了多样化的长片段策略的样本高效自适应,且仅需极少的任务特定超参数调整。

  6. Hugging Face Daily Papers68

    Few-Step Streaming Video Generation via Condition Shifting

    该论文提出 APEX 方法,利用条件移位技术在生成器内部估计分布速度场,从而移除对独立假分数网络的依赖并保留冻结参考教师等机制。在 180 秒视频评估中,APEX 在渐进式轨道的指令遵循得分(3.856)和视觉美学评分上均优于 S2-Avatar,人类评测显示其指令遵循净偏好提升 30%。相比 DMD 方法,APEX 每 GPU 峰值显存降低 4.4%,平均迭代时间缩短 9.2%。

  7. Hugging Face Daily Papers43

    Continual-ARC:衡量终身技能习得的基准与实验分析

    Continual-ARC 是基于 ARC-AGI 构建的终身任务流,用于对比记忆型与权重型系统在无需领域知识下的技能获取。实验在 Qwen3.5-9B 和 GLM-5.3 Flash 上运行,发现单纯缓存演示的基线优于多数 harness 方法,且无 harness 方法能提升未见任务泛化能力。该研究为未来基于权重的持续学习及模型自主驾驭新领域打开了可能性。

  8. MIT CSAIL News72

    Workspace Models:一种新型记忆架构帮助机器人快速掌握复杂技能

    MIT CSAIL 和卡内基梅隆大学研究人员提出了名为 Workspace Models 的新方法,旨在解决现有基于 AI Agent 的机器人在处理长历史视觉数据时存在的延迟高、计算成本大及反应慢的问题。

    推荐理由:MIT CSAIL 与卡内基梅隆大学提出 Workspace Models,通过离线大模型蒸馏轻量化模块解决机器人长时记忆延迟问题。

11月10日周二
  1. Google DeepMind52

    DeepMind 开放 SatWeave 与 PARDIG 数据集以支持气象水文应用开发

    Google DeepMind 发布 SatWeave 和 PARDIG 两个基础数据集,前者整合五颗静止卫星图像提供全球每小时更新的云雨视图,后者基于 AI 生成高精度降水图。这两个数据集是 WeatherNext 3 模型的关键支撑,现已在 Google Cloud Storage 公开开放历史档案与实时流数据,供研究人员用于气象、洪水及干旱预测等下游应用。

  2. arXiv · 机器人与计算机视觉78

    GeoWind2Plan:面向任务时间的城市三维风场预测与无人机节能规划框架

    论文提出 GeoWind2Plan 框架,解决城市低空飞行中建筑重塑风场导致的路径规划能耗依赖问题。该框架将建筑几何转化为参考风场帧,利用局部几何条件化的神经算子快速预测任务相关的三维风片并拼接成局部风场,随后基于物理驱动的无人机能量模型优化可行路径与速度剖面。

    推荐理由:该框架在仅用背景风与建筑几何的条件下,实现约 3 秒的走廊局部三维风场预测,相比 CFD 快数千倍,且规划出的轨迹在 CFD 评估下显著降低能耗。

  3. arXiv · 机器人与计算机视觉68

    PoEM:基于现有策略预测强化学习结果

    论文介绍 PoEM 框架,旨在通过已训练的模型和新的奖励函数直接近似目标 RL 策略,而无需重新进行计算密集型的强化学习训练。该方法利用新奖励函数可表示为现有奖励线性组合的特性,在 log-probability 空间中将最优策略表达为现有策略的组合;即使奖励非线性相关,RL 学到的策略也常跨越低秩子空间。

  4. arXiv · 机器人与计算机视觉65

    带符号校正流:负性控制生成

    作者引入带符号校正流(Signed RF),这是一种针对带符号测度的一般化方法,旨在通过理论框架将负面信息与排除约束纳入生成建模。该方法在 ImageNet 上改善了保真度与多样性的权衡,并在反记忆化实验中降低了最近邻相似度;同时在使用 Stable Diffusion 3.5 时减少了对抗性提示诱导的裸露内容,且保留了 CLIP 和美学评分。

  5. arXiv · 机器人与计算机视觉72

    Precise:面向流匹配模型强化学习后训练的 SDE 一致随机采样方法

    论文提出 Precise 方法,通过冻结干净潜在后验均值实现 SDE 一致性,解决现有采样器在强化学习中离散化噪声过大或收敛不足的问题。实验显示该方法在保持最佳域内性能的同时,将训练时间减少 13.1% 至 53.2%,并达到 PickScore、HPSv2.1 等最先进的对齐分数。材料为 NeurIPS 2026 接收的预印本版本。

  6. arXiv · 机器人与计算机视觉8

    MARR:模块自适应残差重建的低比特后训练量化方法

    MARR 提出一种针对低比特(≤4-bit)后训练量化的残差调节策略,通过为每个模块分配特定缩放系数以平衡累积误差修正与 Hessian-近似偏差。该方法在大型语言模型和视觉 Transformer 上实验,相比残差重建基线实现了高达 20.2% 的困惑度降低和 4.6% 的准确率提升。代码将在论文被接收后公开。

  7. arXiv · 机器人与计算机视觉65

    Consistency Regularised Gradient Flows for Inverse Problems

    针对现有基于 LDM 的反问题求解器需要大量神经函数评估和反向传播导致成本高、质量下降的问题,本文提出一种统一的欧几里得 - 瓦森斯坦梯度流框架。该方法在潜在空间联合执行后验采样与提示优化,结合少步潜在文本到图像模型,实现了无需通过自编码器的低 NFE 推理。实验表明,该方法在多个经典成像反问题中达到了最先进的性能且显著降低了计算成本。论文已接受至 NeurIPS 2026。

  8. arXiv · 机器人与计算机视觉42

    从基线到运输测地线:基于最优生成流的公理化归因方法

    针对特征归因中路径选择模糊的问题,研究提出通过分布级运输过程而非手工插值来定义解释路径。该方法证明固定路径下 Aumann-Shapley 线积分是唯一符合公理的规则,并最小化动能作用导出运输测地线归因原理。实验表明 Reflow 提升了跨种子稳定性,学习到的传输路径在空间一致性上表现优异且删除忠实度具有竞争力。代码已开源。

  9. arXiv · 机器人与计算机视觉68

    CORP:一种基于闭式解的单次表示保留结构化剪枝方法

    论文提出 CORP 方法,将结构化剪枝建模为表示恢复问题,利用无标签校准数据通过闭式岭回归推导补偿权重,无需梯度或微调即可移除 MLP 维度和注意力子结构。实验显示在 ImageNet 上 DeiT-Huge 模型剪枝 50% 后 Top-1 准确率仍达 83.24%,揭示了表示冗余并支持高效部署。

  10. arXiv · 机器人与计算机视觉28

    Visual Affect Analysis:用 VLMs 预测图像观看者情绪的研究

    研究在零样本设置下,对 IAPS、Nencki 及 LAI-GAI 三个数据集的 16 个专有与开源视觉语言模型进行了基准测试。最佳模型在六类情绪任务上分类准确率达 60%--80%,连续评分相关系数大于 0.75,但存在唤醒度预测较弱等偏差。该工作已接受发表于 ACII 2026,代码与权重开放许可情况需查阅原文。

  11. arXiv · 机器人与计算机视觉4

    JND-Guided Light-Weight Neural Pre-Filter 提出 FJNDF-Pytorch 基准与轻量化 CNN,在 ISCAS2027 投稿中实现 SOTA 压缩效率且仅用 7.15 GFLOPs 处理 1080p 图像

    JND-Guided Light-Weight Neural Pre-Filter 提出 FJNDF-Pytorch 基准与轻量化 CNN,在 ISCAS2027 投稿中实现 SOTA 压缩效率且仅用 7.15 GFLOPs 处理 1080p 图像。该方法计算成本仅为近期轻量级网络的 14.1%,在多数据集和编码器上持续优于竞品。开源代码与复现平台已提供,论文提交至 ISCAS2027。

  12. arXiv · 机器人与计算机视觉15

    X-SiT:首个基于可解释皮层特征的痴呆症诊断表面视觉 Transformer

    X-SiT 是首个提供人类可读预测的 inherently interpretable neural network,利用空间对应的皮层原型进行病例推理。该模型在阿尔茨海默病和额颞叶痴呆检测中达到 state-of-the-art 性能,并揭示分类错误以对齐已知疾病模式。代码与论文已作为 MICCAI 2025 预印本公开提交。

  13. arXiv · 机器人与计算机视觉5

    U-WNO:一种用于胎儿头部分割的 U-Net 增强小波神经算子模型(已撤稿)

    U-WNO 是一种结合小波分解、算子学习与编码器 - 解码器机制的新型模型,旨在通过时空域模式跟踪实现区域分割。该工作仅在二维超声图像上针对不同孕晚期进行了演示,但作者因不再积极 pursue 当前形式而主动撤回了预印本。

  14. arXiv · 机器人与计算机视觉38

    Deep Tensor Network:基于张量收缩的序列算子家族与精确评估方法

    Deep Tensor Network 是一类由查询、键和值收缩构建的序列算子,利用结合律在不生成 n×n 令牌矩阵的情况下精确计算 Gram 算子。该方法在查询/键宽度为 d 时仅需 O(d²+ddᵥ) 的工作量及因果令牌的摘要状态,并推导了前缀递推关系与迹、对角及行归一化条件。研究还给出了 Hadamard 变体与矩阵指数变体的精确评估及成本分析。

  15. arXiv · 机器人与计算机视觉70

    ReGFLoW:首个弱监督扩散编辑图像虚假区域定位框架

    针对现有方法依赖像素级监督且难以扩展的问题,本文提出 ReGFLoW 框架,仅需图像级真假标签,利用扩散重建误差作为密集空间引导注入特征与分数空间。该方法通过以伪影为中心的多实例学习,在不依赖语义亲和性或边界先验的情况下实现虚假区域定位。

  16. arXiv · 机器人与计算机视觉52

    从像素生成到拓扑推断:用于可信跨物理域骨小梁形态学习的结构双重超分辨率

    针对临床 CT 与同步辐射微 CT 间存在的 32 倍分辨率差距及物理差异,本文提出一种从像素生成转向拓扑推断的新范式。该方法通过结构双重超分辨率(SDN),耦合正向物理退化与逆向结构推断约束,在低分辨率输入上确定性预测不变微观结构。模型在测试集上实现了与高分辨率参考一致的六种形态参数指标,SSIM 达 0.8,并验证了跨数据源的泛化能力,确保学习到的表征捕捉真实三维拓扑而非二维像素统计。

  17. arXiv · 机器人与计算机视觉70

    StarWM:用于鲁棒世界模型的自监督训练注意力路由

    DeepMind 团队提出 StarWM 模型,利用自监督动态训练的交叉注意力机制指导视觉内容重建,有效平衡环境动力学捕捉与无关内容抽象。在 DeepMind Control 基准测试中,默认版本在随机帧干扰下表现最强,奖励增强变体在序列视频任务上达到最高回报。代码已开源。

  18. arXiv · 机器人与计算机视觉65

    CitySTAR:面向开放词汇城市 3D 定位的结构化与拓扑感知推理方法

    论文提出 CitySTAR,这是一个无需训练的框架,旨在解决复杂场景中从自然语言到城市级点云的 3D 定位问题。该方法将描述语义组织为跨模态约束,利用 CodeLLM 工具生成多模态证据构建场景图,并通过双超图建模目标上下文拓扑及双向验证实现结构消歧。

  19. arXiv · 机器人与计算机视觉55

    基于通用解剖先验与主动边界感知的生物结构自主精密铣削

    针对生物结构几何不完整、局部厚度未知及关键内部边界难以确定的挑战,本文提出一种状态自适应的自主铣削框架。该框架利用通用解剖先验提供保守的全局引导,并通过语义引导配准和混合视觉 - 力校准转化为机器人可执行指令;在接近不确定边界时,机器人主动探测结构并利用相对刚度变化估计边界状态与分离性。分层实验在生物替代物和体内小鼠颅窗制作中验证了准确的解剖先验迁移、可靠的边界适应及生物结构的自主精密铣削能力。

  20. arXiv · 机器人与计算机视觉82

    3D 点溅射用于毫米波雷达新视角合成

    论文提出了首个针对毫米波雷达的新视角合成(NVS)可微分点溅射渲染器 3DPS。该方法直接源于雷达方程的标准立体角形式,为每个定向 3D 点构建基于 ITU-R P.2040 介电常数和板层反射的材料模型,并通过预计算的点扩散函数将复数相量溅射到距离单元中。

    推荐理由:提出首个基于点溅射的毫米波雷达新视角合成渲染器,在保持复数域物理保真度的同时大幅缩短训练时间。